Künstliche Intelligenz und LPR: Evolution oder Revolution

Künstliche Intelligenz (KI) spielt heute eine kritisch Rolle in Nummernschild-Erkennung (LPR) Technologie. LPR-Systeme verwenden eine Kombination aus Bildverarbeitung und maschinelles Lernen (Software, die aus Erfahrung lernt, ohne explizit programmiert zu werden) zur Erkennung von Nummernschildern aus von Kameras aufgenommenen Bildern.

Eine der größten Herausforderungen bei der LPR besteht darin gleichwertige Leistungen erbringen trotz äußerer Bedingungen wie Beleuchtung, Winkel, Hindernisse und Abweichungen. KI-gestützte LPR-Systeme sind geschult auf großen Datensätzen von Nummernschildern unter vielen verschiedenen Bedingungen, so dass sie lernen Sie sind in der Lage, die Zeichen zu erkennen, auch wenn das Bild verzerrt, unscharf oder teilweise verdeckt ist; sie sind auch in der Lage, sich selbst zu verbessern und ihre Parameter automatisch einzustellen. Funktionen wie diese sind "der Ring, der auf den Finger passt" für LPR-Genauigkeit.

Lernen? Ausbildung?

Das interessanteste Merkmal der künstlichen Intelligenz ist ihre Fähigkeit, die menschlicher Beitrag als Leitfaden für künftige EntscheidungenIn der LPR bezieht sich eine "Trainingseinheit" auf eine menschliche manuell der Maschine mitzuteilen, was "richtig und was falsch" ist, und zwar für jedes Zeichen auf jedem Nummernschild, das für diese Sitzung verwendet wird. Die weitere Daten das System trainiert wird, die besser kann es lernen, die Aufgabe zu erfüllen. 

KI-Algorithmen können auch Muster und Trends erkennen in Big Data (am häufigsten erfasste Nummernschilder, verkehrsreichste Tageszeiten, häufigste Fahrzeugtypen usw.), was dazu beitragen kann die Leistung zu optimieren des LPR-Systems oder zur Bereitstellung nützlicher Einblicke für Verkehrsüberwachung, Parkraumbewirtschaftung oder Sicherheits- und Überwachungsanwendungen.

Künstliche Intelligenz in der Nummernschild(bilder)verarbeitung

Wir verwenden ein AI-Modell namens Faltungsneuronale Netze (CNNs) zur Verarbeitung der von LPR-Kameras aufgenommenen Bilder. Es verwendet induktive Logikähnlich dem, was Biologen in der Tierwelt gefunden haben. Gehirn von Säugetieren, was dazu geführt hat, sie analog als "neuronale" Netze zu bezeichnen.

Ein neuronales Faltungsnetzwerk erstellt viele Ebenen für dasselbe Bild und wendet Filter an (Helligkeit, Kontrast, Kantenschärfung, Körnung usw.), um verschiedene Merkmale besser sichtbar zu machen und das Bild zusammenzusetzen. beste Informationen aus jeder Ebene. Auf jedes Trainingsbild können Filter in verschiedenen Auflösungen angewendet werden, und die Ausgabe jedes gefalteten Bildes wird als Eingabe für die nächste Schicht verwendet.

Der Vorbehalt bei diesen Modellen ist die hohe Verarbeitungsleistung die sie verlangen; die heutigen leistungsstarken Maschinen ermöglichen jedoch mehr Schichten von Faltungen, dramatisch Erhöhung der Lesegenauigkeitimmer auf Kosten einer höheren CPU-Last und eines höheren Energieaufwands.

Menschliches Genie vs. maschinelle rohe Gewalt

Vor dem allgemeinen Einsatz von CNN beruhte die Bildanalyse auf der Entwicklung von deduktive Verarbeitungsfunktionen unter Verwendung komplexer mathematischer Algorithmen, die von Experten erstellt werden. Diese Aufgabe erfordert viel Talent, Zeit und Energie, aber nur begrenzte empirische Daten, die hauptsächlich zur Prüfung des Modells verwendet werden. 

Von Menschen geschaffene Algorithmen waren schon immer ein Problem Herausforderung im Sinne einer intelligenten Feinabstimmung um die gewünschten Ergebnisse zu erzielen. Damit die LPR als zuverlässige Methode für kritische Vorgänge gelten kann, muss sie eine Genauigkeitsrate erreichen, die möglichst nahe an 100% liegt, sagte Einstein:

"Soweit sich die Gesetze der Mathematik auf die Wirklichkeit beziehen, sind sie nicht sicher; soweit sie sicher sind, beziehen sie sich nicht auf die Wirklichkeit."

Jacques Jouannais, CEO von Survision, sagte zu diesem Thema:

"Als wir uns einer Erfolgsrate von 95% näherten, begannen wir, an allem zu feilen, was wir konnten, von physischen Teilen bis hin zu unserem hochgeschätzten Algorithmus (auf dessen Entwicklung wir bereits Tausende von Arbeitsstunden verwendet haben); wir wussten, dass wir unser Maximum erreicht hatten... aber es war nicht genug."

Andererseits erfordern Faltungsneuronale Netze keine ausgeprägten mathematischen oder programmiertechnischen Kenntnisse, aber die Sammlung und Nutzung großer Datenmengen. 

Dank der modernen CPU-Leistung hat die KI erheblich demokratisiert Bildverarbeitung, indem die Belastung durch vom Menschen erstellte Algorithmen verringert wird. Dadurch wird der Aufbau effizienter Bildverarbeitungssysteme wesentlich schneller und kostengünstiger.

Der Survision-Ansatz 

Da wir die Vorteile beider Paradigmen kennen, haben wir uns bei survision für Folgendes entschieden um das Beste aus beiden Welten zu kombinieren: ein intelligenter algorithmischer Ansatz (und die Vorteile einer geringeren benötigten Rechenleistung), der auf KI (CNN) basiert und die gesamte Verarbeitung an Bord hält, ohne dass ein externer Server erforderlich ist. 

Bei survision haben wir CNN in verschiedenen Phasen der Entwicklung genutzt Plattenextraktion Prozess, wie zum Beispiel: 

• Position der Kennzeichen im Bild
• OCR (Zeichenerkennung)
• Berechnung des Konfidenzniveaus

Wir nutzen KI auch, um zusätzliche Daten wie z. B.: 

• Vektorsignatur des Kennzeichens (FingerPrint)
• Bestimmung des Typs der Nummernschilder
• Geografisches Gebiet der Herkunft

KI hat uns geholfen, Genauigkeitsniveaus zu erreichen, von denen wir in der Vergangenheit nur träumen konnten; in einigen Ländern haben wir erfolgreich Genauigkeitsquoten von 99%+ erreicht, bis zu 4 Punkte höher als zuvor. 

Regionalisierte Tafeln

Einige Länder wie die Vereinigten Staaten von Amerika haben unterschiedliche Plattendesigns und -strukturen für jeden StaatIn der Vergangenheit musste jede Region manuell zum Algorithmus hinzugefügt werden, was unsere Reichweite einschränkte und uns verlangsamte. In diesem Fall reichte es aus, das KI-Modell mit Platten aus jeder Region zu trainieren, um dieses Problem zu lösen.

Beschädigte Schilder

Beschädigte Druckplatten stellen immer eine Herausforderung dar, da sie unvollständige oder deformierte Zeichen aufweisen, die mit der herkömmlichen Methode kaum lesbar sind. Die CNN-Technologie ist nun in der Lage, unvollständige Zeichen zu erkennen, da sie "erinnern" Erfahrungen aus der Vergangenheit, wobei sie in der Lage sind, deduktive und induktive Logik gleichzeitig zu kombinieren.

Eitelkeitsplättchen 

Eine der schwierigsten Herausforderungen für LPR, da diese Schilder mit personalisierte Kombinationen von Buchstaben und Zahlen, die keinerlei regionalen Mustern folgen... Auch bekannt als "der perfekte Job für CNN", da er die LPR-Systeme kostenlos nicht mehr die Position des Zeichens als Schlüsselfaktor für die Erkennung jedes Zeichens verwenden zu müssen. Vanity-Schilder sind keine Bedrohung mehr für LPR, da KI-gesteuerte LPR-Systeme jetzt jedes Zeichen in jeder Position lesen können!

* Diese Werte stammen von echten Standorten. Jede Installation kann unterschiedliche Werte liefern, je nach viele Faktoren.

Außerdem sind unsere Messungen zuverlässiger und nützlicher geworden, da wir die Datenqualität deutlich verbessert haben. Vertrauensniveau (der Grad der Sicherheit des Systems in Bezug auf seine eigene Leistung); dies ist nur möglich, weil die KI uns geholfen hat, eine größere Anzahl von Variablen in diese komplexe Berechnung einzubeziehen.

Einpacken

Unser Erfolg hängt davon ab, dass unsere Firmware so präzise, schnell und dennoch so leicht wie möglich ist, deshalb sind wir ständig aktualisierend (und Verteilen) unsere Firmware, sei es durch Training der KI-Module mit mehr Daten oder durch Optimierung jeder einzelnen Zeile ihres Codes. 

Künstliche Intelligenz ist eine große Hilfe beim Erreichen eines unübertroffenen Genauigkeitsniveaus, das LPR zum effektivsten Mittel der Identifizierung, Kontrolle und Abrechnung für fahrzeugbezogene Vorgänge macht. Künstliche Intelligenz ist also eine raffinierte, elegante und doch endgültige Lösung. LPR-Revolution.